Download Extracción del sintagma verbal núclea y resolución de - HAL

Extracción del sintagma verbal núclea y resolución de
ambigüedades en la asignación categorial
Gabriel G. Bès, Zulema Solana
To cite this version:
Gabriel G. Bès, Zulema Solana. Extracción del sintagma verbal núclea y resolución de ambigüedades en la asignación categorial. Revista de Letras, Facultad de Humanidades y Artes,
Universidad Nacional de Rosario, 2005, pp.157-171.
HAL Id: hal-01145586
https://hal.archives-ouvertes.fr/hal-01145586
Submitted on 24 Apr 2015
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
Gabriel G.Bès
Zulema Solana
EXTRACCIÓN DEL SINTAGMA VERBAL NÚCLEO
Y RESOLUCIÓN DE AMBIGÜEDADES
EN LA ASIGNACIÓN CATEGORIAL
ABSTRACT
En el presente trabajo vamos a referirnos a la ambigüedad de la asignación categorial de las
ocurrencias lingüísticas que son producto de la segmentación de un texto. La resolución de
ambigüedad es una exigencia crucial en el análisis automático de textos.
Este problema será tratado en paralelo con la extracción de sintagmas núcleos, en particular
el sintagma núcleo verbal, etapa indispensable en el análisis automático de la oración.
Recurriremos a dos útiles informáticos SMORPH (segmentación y morfología) y MPS
(módulo post-smorf) integrados en una arquitectura común.
Presentaremos los resultados obtenidos a partir de un sondeo realizado sobre tres textos
periodísticos con un total de 1200 palabras.
SUMARIO
0.Introducción
1.Tipos de ambigüedad en el sintagma verbal núcleo
2.Resolución posible de ambigüedades
3. Utiles de tratamiento informático
4. Modelización propuesta
5 Resultados obtenidos
6.Discusión
0.
Introducción
En el presente trabajo trataremos la extracción de sintagmas núcleos, en particular el
sintagma núcleo verbal, etapa indispensable en el análisis automático de la oración en
paralelo con el problema de la ambigüedad de la asignación categorial de las ocurrencias
lingüísticas que son producto de la segmentación de un texto. La resolución de ambigüedad
es una exigencia crucial en el análisis automático de textos.
Cuando hablamos de sintagma verbal núcleo nos estamos refiriendo al segmento del
sintagma que comienza con el inicio de éste y finaliza con el núcleo, por ejemplo:
vio
lo vio
no lo vio
ha afirmado
lo ha afirmado
no lo ha afirmado
Los sintagmas núcleos poseen propiedades de linearidad que restringen su combinatoria
interna. Conociendo las categorías morfo-sintácticas de las que están compuestos, es
generalmente posible determinar su comienzo, su final y su núcleo.
El análisis en sintagmas núcleos permite reducir significativamente la ambigüedad de la
categorización morfo-sintáctica al concatenar las expresiones internas. En
los ha comprado o en comprarlos
los no puede ser artículo
Vamos a recurrir a las posibilidades de este análisis para lograr desambigüizar la mayor
parte de los casos que presentaremos.Consideraremos los tipos de ambigüedad en el
sintagma verbal núcleo, en especial la ambigüedad del verbo en tercera persona, y su
posible resolución.
Describiremos y haremos uso de dos útiles de tratamiento informático: SMORPH
(segmentación y morfología) y MPS (módulo post-morf) dos módulos que pertenecen a una
arquitectura común
Presentaremos los resultados obtenidos a partir de un sondeo realizado sobre tres textos
periodísticos con un total de 1200 palabras. Propondremos la modelización al respecto y
discutiremos los resultados obtenidos
1.
1.1.
Tipos de ambigüedad en el sintagma verbal núcleo
Verbos ambiguos en la tercera del singular.
Se observa que a marcas morfológicas menos específicas hay mayor posibilidad de
ambigüedad. Un verbo terminado en –amos, por ejemplo, es muy difícil que pueda ser
homónimo de otra palabra de la misma forma y otra asignación categorial, en cambio un
verbo que termina en –a entra en ambigüedad con
un sustantivo en –a (Juan ama /el ama de llaves)
o un adverbio en -a. (Juan cerca su casa/ Queda cerca)
En este sentido, los casos más frecuentes son las terceras personas singulares de los
presentes de indicativo y subjuntivo.
Por ejemplo:
recuerdo (v)
recuerdo (n)
vela (v)
vela (n)
la vela (cl + v)
la vela (det + n)
cuenta (v)
cuenta (n)
la cuenta (cl + v)
la cuenta (det + n)
Se trata siempre de verbos en -ar que admiten clítico acusativo y pasiva (transitivos en
términos tradicionales), que están en presente de indicativo. Se observa que los sustantivos
están formados con sufijo -a y el verbo también
Además existen ambigüedades en verbos en -er que admiten clítico acusativo y pasiva, y
están en presente de subjuntivo. Se observa que los sustantivos están formados con sufijo a y el verbo también.
coma (v)
coma (n)
la coma (cl + v)
la coma (det + n)
beba (v)
beba (n)
la beba (cl + v)
la beba (det + n)
NO HAY AMBIGÜEDAD cuando el n se forma con sufijos especializados
declara (v)
declaración (n)
pinta(v)
pintor(n)
pintura(n)
teme(v)
temor (n)
1.2.
Ambigüedad de los clíticos antepuestos (proclíticos)
1.2.1.
Clíticos simples
me, nos, os, le y les no son ambiguos
te y se son ambiguos si no se tiene en cuenta el acento, no lo son si se toma en
consideración el acento:
-tomo té (n)
-te digo (cl)
-sé poco de eso (v)
-se cayó (cl)
lo clítico y lo determinante, los clítico y los determinante, la clítico y la determinante, las
clítico y las determinante son ambiguos
-lo vio (cl)
-lo bueno (det)
-los vio (cl)
-los niños (det)
-la vio (cl)
-la niña (det)
-las vio (cl)
-las niñas (det)
1.2.2.
Combinaciones de clíticos
En la oralidad podrían ser ambiguos por ejemplo :
-te (cl) me (cl)
-teme (v)
pero en la escritura el espacio en el medio impide la ambigüedad. Igualmente con la
pronunciación rioplatense serían ambiguos :
-se (cl) los (cl)
-celos (n)
1.3.
Auxiliares
1.3.1.
Auxiliar haber
Haya o había pueden tener distinta asignación categorial
-haya escrito (aux + participio)
-planté un haya (det +n)
-había dicho (aux + participio)
-había tormenta (v + n)
1.3.2.
Auxiliar ser
-son amados (aux)
-el son de la guitarra (n)
-son buenos (v)
-era(s) amado (aux)
-era bueno (v)
-la era paleozoica (n)
2.
2.1.
Resolución posible de ambigüedades
El verbo
PRIMER CASO
La ambigüedad se resuelve al anteponerle el determinante ‘el’ o el clítico ‘lo’ porque el
sustantivo es masculino y el determinante masculino que concuerda con él no es ambiguo
respecto de ningún clítico.
recuerdo (v)
recuerdo (n)
lo recuerdo (cl + v)
el recuerdo (art + n )
En estos ejemplos la construcción del sintagma nominal núcleo o del sintagma verbal
núcleo desambigüiza
SEGUNDO CASO
La ambigüedad no se resuelve al anteponerle determinante o clítico porque el sustantivo es
femenino y, en consecuencia determinante y clítico también pueden ser ambiguos cuando
son femeninos.
A continuación presentamos dos ejemplos cuyo esquema se repite frecuentemente.
vela (v)
vela (n)
la vela (cl + v)
la vela (det + n)
Se desambigüiza cuando al clítico ambiguo le antecede otro clítico o una negación y al n
ambiguo le sigue un adjetivo (o un verbo)
-no la(cl) vela(v) según sus ritos
- la (det) vela(n) encendida(adj)
-la(det) vela(n) parpadea(v)
cuenta (v)
cuenta (n)
la cuenta (cl + v)
la cuenta (det + n)
-no la(cl) cuenta(v) con detalle
-la(det) cuenta(n) de cristal
-la(det) cuenta(n) de una cifra
Si la negación antecede al clítico ambiguo quita la ambigüedad y si al sustantivo ambiguo
le sigue un complemento con ‘de’ desaparece la ambigüedad
TERCER CASO
En este caso (menos productivo), se trata de verbos en -er que admiten clítico acusativo y
pasiva, y están en presente de subjuntivo. Se observa que los sustantivos están formados
con sufijo -a y el verbo también.
coma (v)
coma (n)
la coma (cl + v)
la coma (det + n)
-no(neg) la(cl) coma(v)
-la(det) coma(n) indicada(adj)
(-la(det) coma (n) señala (v))
beba (v)
beba (n)
la beba (cl + v)
la beba (det + n)
-no(neg) la(cl) beba(v)
-la(det) beba(n) pequeña (adj)
(-la(det) beba (n) llora (v))
2.2.
Auxiliares
2.2.1.
Auxiliar haber
La ambigüedad desaparece si se considera la palabra anterior o posterior o se antepone o
pospone una palabra.
Por ejemplo: haya o había pueden tener distinta asignación categorial
-haya escrito (aux + participio)
-planté un haya (det +n)
-había dicho (aux + participio)
-había tormenta (v + n)
pero la ambigüedad desaparece dentro del sintagma núcleo sea verbal o nominal
2.2.2.
Auxiliar ser
En este caso ocurre como en el anterior, la ambigüedad desaparece en el ámbito del
sintagma núcleo
3.
3.1.
Útiles de tratamiento informático
El analizador morfosintáctico SMORPH (cf: Bès- Rodrigo 01, )
Smorph ( segmentación y morfología), es el software especificado e implementado en el
GRIL por Salah Aït-Mokhtar, trata en una sola etapa todo lo relativo a la pre-sintaxis. Esta
herramienta totalmente declarativa recibe en entrada una secuencia de códigos Ascii y, da a
la salida una secuencia de ocurrencias asociadas a un conjunto de pares <etiqueta=valor>.
Smorph es perfectamente declarativo. Se deben especificar en él cinco tipos de
información:
i-Los rasgos <etiqueta; {v1, ..., vn}> que se quieren utilizar. Por ejemplo, que la etiqueta
NUM (número) va a tener como valores posibles sg y pl(singular y plural).
ii-Las terminaciones que se utilizarán (por ej. la terminación –es para traes y rosales).
iii-Los códigos Ascii que se quieren utilizar como separadores.: el espacio (que tiene el
número. 32), y otros clásicos como el salto de línea, además ’, ‘:’, y : ‘?’, ‘!’que por otra
parte son códigos Ascii que se imprimen (no así el espacio en blanco).
iv-Los modelos, que mediante la concatenación de cadenas adyacentes, permiten generar
ocurrencias complejas. En la flexión verbal se obtiene amo, amas, ama ... a partir de la
concatenación del radical am con las terminaciones o, as, a y los objetos generados de este
modo son reconocidos como ocurrencias del lema amar y se les asocian los rasgos que les
corresponden (rasgos de persona, número, tiempo, modo etc). Las operaciones y los rasgos
se habrán declarado en el modelo correspondiente, que será el mismo para un subconjunto
de entradas.
v-Las entradas, donde se declararán las formas individuales con indicación de los modelos
en el caso de generación regular (es el caso de amar, cantar, llorar etc.) o con la indicación
de los rasgos propios para las formas que no se pueden generar de manera regular. Por ej. la
expresión los, que, en dos entradas diferentes, va a recibir los rasgos propios del artículo
definido plural en una y del pronombre clítico de 3ª persona plural en otra.
Todo lo anterior se declara mediante una sintaxis clara y explicitada. Se trata de
información totalmente declarativa, disociada de su tratamiento algorítmico. Quien desee
tratar una nueva lengua no necesita introducirse en el código informático de Smorph. Lo
único que debe hacer es especificar las declaraciones pertinentes de los cinco tipos de
información antes mencionados y Smorph hace el resto.
1
Cuando una secuencia no es ambigua, a un lema se asocia una categoría pero lo que ocurre
frecuentemente es que si a cada ocurrencia lingüística la tomamos aisladamente, que es lo
que hace SMORPH (y, por otra parte, cualquier “etiquetador”, o cualquier analizador
morfológico), puede resultar ambigua. Así a la ocurrencia lingüística “la” se le asignarán
dos etiquetas (clítico y artículo) y a “ayuda” las de nombre y verbo, lo que implica dos
representaciones semánticas.
En este trabajo vamos a considerar las situaciones de ambigüedad que se producen con los
elementos que constituyen el sintagma verbal núcleo.(cf.Rodrigo 01 y Bès-Rodrigo 01- 04)
y se propondrán para la desambigüización reglas de recomposición de MPS
3.2.
MÓDULO MPS
Cuando trabajamos con textos reales nos encontramos con expresiones que no se adaptan a
una sintaxis estándar. Entre estas expresiones podemos contabilizar fechas, cantidades, todo
lo que concierne a la sufijación y prefijación, incluido el tratamiento de clíticos, y las
contracciones en lo que en algún momento se llamó morfemas “complejos”. Si se busca
normalizar la entrada de la sintaxis para tener expresiones que satisfagan las mismas
relaciones. parece útil tratarlos en una etapa anterior al del resto de la sintaxis general de la
frase.
2
El módulo post-smorph, (MPS ), analiza estos microsistemas. MPS recibe en entrada una
salida Smorph (en formato Prolog) y va a dar en salida otro formato según el analizador que
se vaya a utilizar; MPS podrá modificar las estructuras de datos recibidos en la entrada.
MPS ejecuta dos funciones principales: la Recomposición y la Correspondencia; la
Recomposición a su vez puede ser de dos tipos diferentes, el Reagrupamiento y la División.
1
Bès, Rodrigo 01 4.2. nota 27: “ (lema) es una etiqueta arbitraria elegida para caracterizar un conjunto de
raíces en relación con un conjunto de anteposiciones o terminaciones. La tradición hace que se elija la forma
verbal del infinitivo para representar los lemas verbales, la forma singular de los nombres para los lemas
nominales, etc.”
2
implantado por Faiza Abbaci(cf. Abbaci 99)
MPS es una herramienta declarativa, en donde mediante reglas se pueden expresar los
valores de entrada (sobre dos o más estructuras de datos de la salida Smorph) y los valores
de salida sobre la estructura reagrupada.
Las reglas que se declaren con la función de división van a provocar el efecto inverso. Son
útiles para tratar las contracciones (por ej. una ocurrencia de del en español), afín de
obtener en la salida una secuencia de entidades que sea análoga a las que Smorph asigna a
las ocurrencias no contraídas en una cadena.
Las reglas que se declaren con la función de correspondencia van a operar sobre una sola
estructura de datos a la salida de Smorph y van a poder modificarla en otra estructura de
datos. Estas reglas permiten formular en Smorph descripciones básicas, generales, y
adaptarlas después a la exigencia de cada analizador o de cada aplicación, o enriquecerlas
con nuevos pares de <etiqueta=valor>.
3.3.
REGLAS DE DESAMBIGÜIZACIÓN
3.3.1.
Tomaremos en consideración uno de los casos planteados
A continuación tenemos, analizado por SMORPH a:
-no la vela
podrá verse que presenta los dos análisis posibles para ‘la’(artículo y clítico) y para
‘vela’(verbo y sustantivo).
'no'.
[ 'no', 'TADV','neg'].
'la'.
[ 'el', 'EMS','art'].
[ 'lo', 'TPRON','cl'].
'vela'.
[ 'vela', 'EMS','nom', 'NUM','sg'].
[ 'velar', 'EMS','v', 'MVERB','fl', 'NUM','sg'].
'.'.
[ '.', mi].
Si esta expresión analizada es el input de MPS y se le aplica la siguiente regla de
recomposición.
%neg+clit+v da svn%
S0 [L0, 'TADV', 'neg'] S1 [L1, 'TPRON', 'cl'] S2 [L2, 'EMS', 'v']
-->S0+S1+S2 [L0+L1+L2, 'EMS', 'svn'].
Tenemos:
'no la vela'.
[ 'no lo velar', 'EMS', 'svn' ].
'.'.
[ '.' , mi ].
%fin de la phrase numero : 1
Es decir, hemos desambigüizado la expresión
Si expresamos las ocurrencias por variables tenemos las siguientes reglas:
Regla1a
X[neg] Y[cl] Z[va] X+Y+Z[SVn]
Regla 1b
X[neg] Y[cl] Z[va] X [neg] Y[cl ] Z[v]
De la misma manera podemos proceder con ‘la vela encendida’ y tendremos:
Regla 2ª
X[art] Y[na] Z [adj] X + Y + Z [SNn]
Regla2b
X[art] Y[na] Z [adj] X[art] Y[n] Z [adj]
4.
Modelización propuesta
La modelización propuesta sigue una línea de trabajo ya propuesta para tratar problemas
análogos del francés (cf. Bès et al, 2004). En francés, como en español, por ejemplo,
formas proclíticas son ambiguas con respecto a artículos (es el caso del francés la) y formas
verbales son ambiguas con respecto al nombre (es el caso del francés juge).
Contrariamente a técnicas basadas en probabilidades de transición que exigen la utilización
de grandes corpus etiqueteados, se trata de rentabilizar al máximo una modelización del
sistema lingüístico, en el marco de la exigencia general siguinte: obtener el máximo de
resultados con el mínimo de recursos.
Nuestros recursos han sido incorporados a Smorph y a MPS.
En Smorph se dispone como punto de partida de una base de entradas léxicas con todas las
expresiones que pueden ocurrir en los sintagmas verbales núcleos: proclíticos, formas
verbales flexivas y participiales, negación, auxiliares. Las formas ambiguas no han sido
declaradas mediante entradas múltiples diferentes, asociadas a rasgos diferentes, sino
mediante una entrada única asociada a rasgos que indican una ambigüedad potencial. Así,
por ejemplo, la expresión la no está representada mediante dos entradas diferentes y
diferenciadas mediante los rasgos de cada una de ellas, sino que está representada en las
entrads léxicas por una forma única asociada a un rasgo (en la ocurrencia ambcl) que la
caracteriza como una forma proclítica potencialmente ambigua. Mutatis mutandis, las
expresiones ayuda o trabajo están representadas por una entrada única y caracterizadas,
mediante el rasgo ambv, como formas verbales potencialmente ambiguas con respecto a
nombres.
En MPS se han declarado reglas estructurales y reglas heurísticas. Las primeras están
motivadas por una modelización lingüística simple del español y están destinadas a resolver
contextualmente las ambigüedades de categorización, al mismo tiempo que, la mayor parte
entre ellas, especifican los sintagmas verbales núcleos. Las segundas están motivadas por
consideraciones heurísticas simples y se aplican a los casos límites que quedan fuera del
alcance de las reglas estructurales.
Hay dos grandes tipos de reglas estructurales: aquellas que especifican que una expresión –
ambigua o no – pertenece a un sintagma verbal núcleo, ya sea como forma clítica o como
verbo, y aquellas que especifican que una expresión potencialmente ambigua no pertenece
a un sintagma verbal núcleo.
En los ejemplos que siguen, X, Y, Z son variables sobre las ocurrencias y los rasgos se
expresan de manera muy simplificada).
Ejemplo de regla estructural para especificar sintagmas verbales núcleos
Si en la entrada a analizar se tiene:
X[clitico] Y[haber] Z[verbo en forma participial]
entonces, formar el sintagma verbal núcleo X+Y+Z.
Esta regla va a formar los sintagmas verbales núceos de, p.ej. Ella (la ha visto), Nosotros
(los hemos visto).
Ejemplo de regla estructural para especificar la no pertenencia de una forma potencialmente
ambigua a un sintagma verbal núcleo
Si en la entrada a analizar se tiene:
X[articulo indef.] Y[ambv]
entonces, formar el sintagma nominal núcleo X+Y, lo que va excluir Y[ambv] como forma
verbal.
Esta regla va a formar los sintagmas nominales núcleos de, p.ej., una ayuda, un trabajo.
La reglas heurísticamente motivadas son aquellas que se aplican a expresiones no
analizables, en la modelización adoptada, mediante las reglas estructurales. Un ejemplo es
el tratamiento de expresiones como trabajo cuando ocurren fuera de los sintagmas
nominales núcleos analizables por las reglas estructurales (por ejemplo en la expresión con
constancia y trabajo).
5.
Resultados obtenidos
La modelización propuesta y declarada en el sistema Smorph-MPS fue aplicada a un
sondeo efectuado sobre textos periodísticos. El corpus utilizado para el sondeo fueron
artículos tomados de los diarios Clarín, La Nación y Página/12, de ahora en más
identificados por T1, T2 y T3 respectivamente.
La tabla siguiente da el número de palabras y de ocurrencias de sintagmas verbales núcleos
- N(svn) - en los textos analizados
T1
T2
T3
Total
N(palabras)
396
248
567
1.211
N(svn)
51
25
52
128
Los resultados obtenidos se resumen en la tabla siguiente, en donde :
N1 : N(svn correctamente analizados)
N2 : N(svn analizados)
Precisión : N1/N2 x 100
Cobertura: N1/N(svn) x 100
T1
T2
T3
Total
N1
50
25
51
126
N2
50
25
51
126
Precisión
100%
100%
100%
100%
Coberura
98,0%
100%
98,0%
98,4%
Observemos que los dos errores (sobre 128 posibles) provienen de reglas fundadas
heurísticamente y sólo afectan la cobertura.
6.
REFERENCIAS
Bès G.G.,Lamadon L.,Trouilleux F.(2004) « Verbal chunk extraction in French using limited
resources » arXiv :cs.CL/0408060 v1
Bès G. G. (2002): “La linguistique entre science et ingénierie”. En TAL Vol. 41 n. 3.
Bès G.G.,Solana Z.(2004)«Los clíticos del español. Tipos de verbos y duplicación » comunicación
presentada ante al CONGRESO CÁTEDRA UNESCO, Buenos Aires
Rodrigo Mateos, J. L., Bès G.G. (2003): "Análisis e implementación de clíticos en una herramienta
declarativa de tratamiento automático de corpus". Comunicación aceptada para el VI Congreso de
Lingüística General, Santiago de Compostela, España, 2